Merkmalskonstruktion für Machine Learning

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale – numerische Repräsentationen eines bestimmten Aspekts von Rohdaten – zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion.

Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet.

Aus dem Inhalt:

Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-TransformationenTechniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und PhrasenerkennungFrequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser MerkmaleKodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und KlassenzählungModellgesteuerte Merkmalskonstruktion mit der HauptkomponentenanalyseDas Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur MerkmalserzeugungGewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken